我爱计算机视觉原创

2020/02/07 10:08

CVPR 2020 算法竞赛大盘点

CVPR 2020 已经公布了大多数workshop的细节，与这些workshop对应的还有很多计算机视觉算法比赛，这些比赛代表着或新兴、或实用、或有趣、或被忽略的研究方向。

CV君今天汇总了大部分比赛（因有些还未公布网址），大多数已经开赛放出了数据集，欢迎大家按图索骥。

WebVision Image Classification

技术方向：图像分类、半监督学习、无监督学习

http://www.vision.ee.ethz.ch/webvision/challenge.html

ps.做好了能改变整个CV业界的方向。

Challenges for Computer Vision in Agriculture

技术方向：语义分割、航拍图像处理识别

https://www.agriculture-vision.com/prize-challenge

Thermal Image Super-Resolution Challenge

技术方向：超分辨率、热像仪图像处理

http://vcipl-okstate.org/pbvs/20/challenge.html

Low-rate and P-frame compression challenges

技术方向：图像视频压缩

http://challenge.compression.cc/motivation/

Diagram Image Retrieval and Analysis (DIRA) Challenge

技术方向：图表检索与分析

http://cvpr-dira.lipingyang.org/challenge/

ps.第一个这方向的工作。

Low-Power Computer Vision Competition

技术方向：低功耗计算机视觉、目标检测、图像分类

http://www.lpcv.ai/

Emotionet Challenge

技术方向：表情识别、人脸动作单元识别

http://cbcsl.ece.ohio-state.edu/enc-2020/index.html

Image Matching: Local Features and Beyond

技术方向：局部特征提取、含噪数据拟合

https://image-matching-workshop.github.io/

ps.深度学习时代，难得还有这么传统的方向。

New Trends in Image Restoration and Enhancement Challenges (NTIRE)

技术方向：图像超分辨率、图像去噪、去模糊、去摩尔纹、重建、去雾

http://www.vision.ee.ethz.ch/ntire20/

UG2+ Prize Challenge

技术方向：低质图像增强、图像恢复、目标检测、人脸验证

http://cvpr2020.ug2challenge.org/

ISIC Skin Image Analysis Workshop

技术方向：皮肤图像分析、图像分割、图像分类

https://workshop2020.isic-archive.com/

Weakly Supervised Learning Challenges

技术方向：弱监督学习、图像分割、场景解析、目标定位

https://lidchallenge.github.io/challenge.html

6th SpaceNet Challenge

技术方向：遥感图像处理识别、图像分割

https://www.grss-ieee.org/earthvision2020/challenge.html

MOTChallenge

技术方向：目标跟踪与分割

https://motchallenge.net/workshops/bmtt2020/tracking.html

DAVIS Video Object Segmentation

技术方向：视频目标分割

https://davischallenge.org/challenge2020/index.html

Anti-UAV Challenge

技术方向：反无人机、无人机检测与跟踪

https://anti-uav.github.io/

AI City Challenge

技术方向：智能交通、车辆检测、卡口车辆计数、重识别、车辆跟踪、交通异常检测

https://www.aicitychallenge.org/2020-challenge-tracks/

VizWiz Grand Challenge

技术方向：图像表述

https://vizwiz.org/tasks-and-datasets/image-captioning/

VQA and Dialog Challenges

技术方向：视觉问答与对话

https://visualqa.org/workshop

Continual Learning Challenge

技术方向：持续学习

https://sites.google.com/view/clvision2020/challenge

Cross-Domain Few-Shot Learning (CD-FSL) Challenge

技术方向：跨域少样本学习

https://www.learning-with-limited-labels.com/challenge

DeepFashion2 and FashionIQ Challenges

技术方向：服饰检索

https://sites.google.com/view/cvcreative2020#h.p_Qypem5p_Nm6c

The Seventh Workshop on Fine-Grained Visual Categorization

技术方向：细粒度视觉分类

https://sites.google.com/view/fgvc7

ActivityNet Challenge

技术方向：活动识别

http://activity-net.org/challenges/2020/

Challenge on Remote Physiological Signal Sensing

技术方向：基于人脸视频的心率识别

https://competitions.codalab.org/competitions/22287

Localization, Odometry, SLAM Challenge

技术方向：SLAM

https://sites.google.com/view/vislocslamcvpr2020/home

2nd ScanNet Indoor Scene Understanding Challenge

技术方向：2D/3D图像分割、实例分割

http://www.scan-net.org/cvpr2020workshop/

我爱计算机视觉

关注计算机视觉与机器学习技术的最前沿，“有价值有深度”，分享开源技术与最新论文解读，传播计算机视觉与机器学习技术的业内最佳实践。

入门workshop图像分割SLAM计算机视觉

相关数据

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

图像分割技术

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像索赋予相同的编号。

来源：百度百科

半监督学习技术

半监督学习属于无监督学习（没有任何标记的训练数据）和监督学习（完全标记的训练数据）之间。许多机器学习研究人员发现，将未标记数据与少量标记数据结合使用可以显着提高学习准确性。对于学习问题的标记数据的获取通常需要熟练的人类代理（例如转录音频片段）或物理实验（例如，确定蛋白质的3D结构或确定在特定位置处是否存在油）。因此与标签处理相关的成本可能使得完全标注的训练集不可行，而获取未标记的数据相对便宜。在这种情况下，半监督学习可能具有很大的实用价值。半监督学习对机器学习也是理论上的兴趣，也是人类学习的典范。

来源：Wikipedia

视觉问答技术

异常检测技术

在数据挖掘中，异常检测（英语：anomaly detection）对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。

来源：维基百科

计算机视觉技术

计算机视觉（CV）是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

来源：机器之心

监督学习技术

监督式学习（Supervised learning），是机器学习中的一个方法，可以由标记好的训练集中学到或建立一个模式（函数 / learning model），并依此模式推测新的实例。训练集是由一系列的训练范例组成，每个训练范例则由输入对象（通常是向量）和预期输出所组成。函数的输出可以是一个连续的值（称为回归分析），或是预测一个分类标签（称作分类）。

来源：Wikipedia

遥感技术

遥感（remote sensing）是指非接触的、远距离的探测技术。一般指运用传感器/遥感器探测物体的电磁波辐射、反射特性。遥感通过遥感器这类对电磁波敏感的仪器，在远离目标和非接触目标物体条件下探测目标。

无人机技术

无人机（Uncrewed vehicle、Unmanned vehicle、Drone）或称无人载具是一种无搭载人员的载具。通常使用遥控、导引或自动驾驶来控制。可在科学研究、军事、休闲娱乐用途上使用。

来源：维基百科

图像处理技术

图像处理是指对图像进行分析、加工和处理，使其满足视觉、心理或其他要求的技术。图像处理是信号处理在图像领域上的一个应用。目前大多数的图像均是以数字形式存储，因而图像处理很多情况下指数字图像处理。

来源：维基百科

语义分割技术

语义分割,简单来说就是给定一张图片，对图片中的每一个像素点进行分类。图像语义分割是AI领域中一个重要的分支，是机器视觉技术中关于图像理解的重要一环。

来源：CSDN博客

图像增强技术

图像增强技术用于增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合。它通过有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。

来源：百度百科

图像分类技术

图像分类，根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。

来源：百度百科

目标定位技术

目标定位任务不仅要识别出图像中是什么，还要给出目标在图像中的位置信息。简单的说，就是用一个矩形框把识别的目标框出来（有时候也有多个固定数量的目标）。一般基本思路是多任务学习，网络带有两个输出分支。一个分支用于做图像分类，即全连接+softmax判断目标类别，和单纯图像分类区别在于这里还另外需要一个“背景”类。另一个分支用于判断目标位置，即完成回归任务输出四个数字标记包围盒位置(例如中心点横纵坐标和包围盒长宽)，该分支输出结果只有在分类分支判断不为“背景”时才使用。

来源：知乎

实例分割技术

实例分割是检测和描绘出现在图像中的每个不同目标物体的任务。

来源：paperswithcode

目标检测技术

一般目标检测（generic object detection）的目标是根据大量预定义的类别在自然图像中确定目标实例的位置，这是计算机视觉领域最基本和最有挑战性的问题之一。近些年兴起的深度学习技术是一种可从数据中直接学习特征表示的强大方法，并已经为一般目标检测领域带来了显著的突破性进展。

来源：机器之心

人脸验证技术

面部验证是将候选面部与另一面部进行比较并验证其是否匹配的任务。这是一对一的映射：必须检查这个人是否是正确的。

来源：paperswithcode

图像去噪技术

图像去噪是从图像中去除噪声的任务，例如，高斯噪声在图像中的应用。